使用 Cellpose 进行多模态高分辨率显微镜图像的细胞分割

深度学习在生物学领域显微镜图像的细胞分割方面取得了显著的进步。然而，缺乏泛化能力一直是分割模型的主要瓶颈，因为性能会因分布外数据或未见过的类别数据而大幅下降。开发通用的分割模型具有挑战性，这归因于显微镜图像的多样性模态、不同的染色方法、复杂的细胞形状以及极高的图像分辨率。 “多模态高分辨率显微镜图像弱监督细胞分割”挑战赛的数据集包含这些多样化的特征。为了应对这些挑战，我们训练了 Cellpose 模型，使其能够熟练地对具有各种特征的数据集进行实例分割。为此，我们 1) 指定模型仅对所有类型的细胞图像使用绿色和蓝色通道，以及 2) 研究了现有直径估计模型的影响和性能，以确定其表现最佳的区域，使用各种分辨率的图像。结果，我们在验证（调整）集上获得了 0.7607 的 F1 分数。